Corso di laurea

Economics And Data Analysis

Università degli Studi di Bergamo · 26 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Advanced Econometrics 1° anno · 1° semestre · 6 CFU · ECON-05/A · 0 file

Il corso mira a fornire agli studenti gli strumenti teorici e applicati per comprendere, stimare e interpretare modelli econometrici avanzati, con particolare attenzione ai problemi di identificazione, endogeneita',…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire agli studenti gli strumenti teorici e applicati per comprendere, stimare e interpretare modelli econometrici avanzati, con particolare attenzione ai problemi di identificazione, endogeneita', selezione, eterogeneita' non osservata e struttura dei dati.

Al termine del corso, lo studente dovrebbe essere in grado di:

  • comprendere il ruolo delle assunzioni identificative nei modelli econometrici;
  • distinguere tra associazione statistica e interpretazione causale;
  • analizzare criticamente problemi di selezione, endogeneita' e variabili omesse;
  • interpretare modelli per dati osservazionali, dati panel, effetti fissi, effetti casuali, variabili strumentali e metodi basati su condizioni di momento;
  • valutare la plausibilita' empirica delle principali strategie di identificazione;
  • leggere e discutere applicazioni econometriche tratte dalla letteratura empirica;
  • collegare gli strumenti econometrici a problemi concreti di analisi economica, valutazione delle politiche pubbliche e ricerca applicata.

L'obiettivo generale e' sviluppare una comprensione rigorosa ma operativa dell'econometria moderna, intesa non solo come insieme di tecniche di stima, ma come linguaggio per formulare, identificare e valutare ipotesi empiriche.

Programma

Il corso affronta temi centrali dell'econometria avanzata, con particolare attenzione ai modelli per dati osservazionali e alle strategie di identificazione.

Gli argomenti principali includono:

  • richiami di regressione lineare, inferenza econometrica e interpretazione dei coefficienti;
  • framework dei potenziali risultati, effetti medi di trattamento ed eterogeneita' degli effetti;
  • random assignment come benchmark sperimentale per l'identificazione causale;
  • selezione su osservabili, conditional independence assumption e overlap;
  • dati panel, eterogeneita' non osservata, effetti fissi ed effetti casuali;
  • trasformazioni within, prime differenze, effetti temporali e diagnostica di base;
  • introduzione alle variabili strumentali e all'identificazione mediante variazione esogena;
  • condizioni di momento e introduzione ai metodi GMM;
  • collegamenti tra strategie di identificazione, limiti dei diversi approcci e interpretazione empirica dei risultati.

Il corso combina esposizione teorica, esempi numerici, discussione di applicazioni empiriche e interpretazione economica dei risultati.

Il corso richiede una conoscenza di base dell'econometria lineare e dell'inferenza statistica. In particolare, e' utile che gli studenti abbiano familiarita' con il modello di regressione lineare, il metodo dei minimi quadrati ordinari, l'interpretazione dei coefficienti di regressione, i test d'ipotesi e gli intervalli di confidenza.

Sono inoltre richieste nozioni elementari di probabilita', statistica matematica e algebra matriciale. La familiarita' con concetti quali valore atteso condizionato, varianza, covarianza, consistenza, distribuzione asintotica e massima verosimiglianza costituisce un utile prerequisito. Eventuali richiami agli strumenti necessari saranno forniti durante il corso.

Lezioni frontali

Modalità d'esame

Esame finale scritto

Codice insegnamento 9090_48006_10089

Advanced Microeconomics And Macroeconomics 1° anno · 12 CFU · ECON-01/A · 0 file

Al termine del corso gli studenti acquisiranno gli strumenti necessari per la ricerca in microeconomia teorica e le sue applicazioni. Gli studenti saranno in grado di comprendere l'analisi alla base dei concetti…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso gli studenti acquisiranno gli strumenti necessari per la ricerca in microeconomia teorica e le sue applicazioni. Gli studenti saranno in grado di comprendere l'analisi alla base dei concetti fondamentali della teoria microeconomica, quali la teoria del consumatore e del produttore, nonché differenti strutture di mercato. Acquisiranno inoltre conoscenza approfondita di argomenti riguardanti la teoria dei giochi, selezione avversa ed azzardo morale, divenendo in grado di comprendere modelli che implicano comportamento strategico.

L'obiettivo di questo modulo è introdurre gli studenti ai principali modelli di riferimento della moderna macroeconomia dinamica.
La prima parte del corso è dedicata alla dinamica di lungo periodo. Verranno trattati il modello di Solow, il modello neoclassico di crescita di Ramsey, i modelli di crescita endogena e il modello a generazioni sovrapposte (Overlapping Generations, OLG).
La seconda parte del corso è incentrata sulle fluttuazioni economiche di breve periodo. Saranno analizzate le teorie del ciclo economico reale (Real Business Cycle, RBC), secondo le quali le fluttuazioni cicliche rappresentano una risposta efficiente agli shock reali; le decisioni di risparmio in condizioni di incertezza e il modello di valutazione delle attività finanziarie basato sui consumi (Consumption Capital Asset Pricing Model, CCAPM); nonché le teorie neokeynesiane, secondo le quali le fluttuazioni del ciclo economico possono risultare inefficienti a causa dell'esistenza di rigidità nominali.

Programma

Vincolo di bilancio. Preferenze. Utilità. Scelta. Domanda. Equilibrio. Tecnologia. Minimizzazione dei costi. Offerta. Teoria dei giochi. Monopolio. Oligopolio. Selezione avversa. Azzardo morale.

Al termine del corso, gli studenti saranno in grado di:

  • conoscere le principali evidenze empiriche relative ai temi trattati nel corso;
  • comprendere le più importanti teorie economiche che spiegano le differenze di reddito tra i paesi, la crescita economica, le fluttuazioni del ciclo economico e gli effetti delle politiche di stabilizzazione;
  • utilizzare i modelli presentati durante il corso per analizzare e rispondere a quesiti di politica economica.
    Contenuti del corso
    Parte 1 – Modelli deterministici
  • Introduzione: fatti stilizzati sulla crescita economica e sulle differenze di reddito tra paesi.
  • Il modello di crescita di Solow.
  • Microfondazioni dei modelli macroeconomici e ottimizzazione dinamica.
  • Il modello neoclassico di crescita e sue applicazioni.
  • Crescita endogena.
  • Crescita con generazioni sovrapposte (Overlapping Generations, OLG).
    Parte 2 – Modelli stocastici
  • Il modello del ciclo economico reale (Real Business Cycle, RBC).
  • La moneta nel modello neoclassico.
  • Il modello neokeynesiano (New Keynesian, NK).
  • La politica monetaria nel modello neokeynesiano.

Gli studenti devono possedere conoscenze basilari in microeconomia e matematica per l'economia

formalmente, nessuno

Lezioni frontali

In generale, il corso prevede due lezioni in presenza di due ore ciascuna alla settimana. Le slide contenenti le note delle lezioni saranno rese disponibili sulla piattaforma di e-learning prima di ciascuna lezione.
Al termine di ogni argomento, agli studenti verrà assegnato un set di esercizi, che sarà successivamente svolto e discusso in aula dal docente titolare. Brevi soluzioni scritte saranno pubblicate sulla piattaforma di e-learning dopo la relativa esercitazione

Modalità d'esame

Esame scritto che consiste di esercizi, con eventuale aggiunta di domande teoriche.

L'esame consiste in una prova scritta.

Gli studenti potranno ottenere fino a 3 punti, che si sommeranno al voto dell’esame finale, rispondendo ai quiz eseguiti durante le lezioni tramite Kahoot!. I punti saranno validi solo per gli appelli dell’anno accademico 2026-27.

Codice insegnamento 9090_48002_36263

Applied Statistical Modelling 1° anno · 1° semestre · 6 CFU · STAT-01/A · 0 file

At the end of the course, students will be able to: understand the basic principles of Bayesian statistical inference; formulate simple Bayesian models using prior, likelihood and posterior distributions; perform…

Scheda dell'insegnamento

Obiettivi formativi

At the end of the course, students will be able to:

  • understand the basic principles of Bayesian statistical inference;
  • formulate simple Bayesian models using prior, likelihood and posterior distributions;
  • perform conjugate Bayesian analysis in standard models;
  • understand the role of Monte Carlo and Markov Chain Monte Carlo methods in Bayesian computation;
  • interpret Bayesian hierarchical models and understand their usefulness in applied problems;
  • formulate and interpret linear regression models for inference and prediction;
  • understand the basic principles of supervised learning;
  • apply logistic regression models for binary classification problems;
  • critically interpret statistical outputs and assess model results;
  • implement the main methods using statistical software, preferably R.

Programma

The data deluge faced by contemporary society poses new challenges to modern empirical sciences and calls for a strong interaction between statistics, machine learning, information science and computer science. In this context, Statistics plays a crucial role in providing principled methods for modelling uncertainty, drawing inference from data, and making predictions.
The course aims to highlight the role of statistical modelling in modern Data Science. It is organized into two main parts. The first part provides a gentle introduction to the Bayesian approach to statistics, with emphasis on the interpretation of prior and posterior distributions, conjugate models, computational methods, and hierarchical modelling. Particular attention is devoted to the computational challenges of Bayesian inference and to the advantages of the Bayesian framework for inference and prediction.
The second part introduces basic concepts of supervised learning, focusing on linear regression models for inference and prediction and logistic regression models for classification. These topics are mainly discussed within the Bayesian framework, while also emphasizing their role in applied statistical modelling.

Good knowledge of the fundamentals of Statistics (i.e. descriptive statistics, probability, inferential statistics, simple linear regression model).

The exam consists of:

  • a test including open-ended and multiple-choice questions, concerning theoretical topics or short applications of the methods studied;
  • exercises to be solved also using the R software, aimed at evaluating the student’s ability to analyse different kinds of data and interpret statistical outputs.
    The exam includes both a theoretical and a practical component. A positive evaluation of the theoretical part is required to pass the exam.
    Some practical exercises may also be assigned as take-home work, possibly in the form of a short project.

Modalità d'esame

The exam consists of:

  • a test including open-ended and T/F questions (concerning theoretical topics or short applications of the studied methods);
  • exercises to be solved also by using the R software (to evaluate the student's ability to analyze different kinds of data and interpret statistical outputs).

Some practical exercises may also be assigned as take-home work, possibly in the form of a short project.

The two parts of the exam (theoretical and practical) both contribute to the total score, and both should be passed with a positive grade. A positive evaluation of the theoretical part is required to pass the exam.

The instructor reserves the right to require an additional oral examination, including after the written exam has taken place, whenever this is deemed necessary to verify the actual acquisition of the knowledge and skills required by the course learning objectives and to ensure the correct attribution of the final grade.

Codice insegnamento 9091_48008_19439

Coding And Machine Learning 1° anno · 12 CFU · STAT-04/A · 0 file

Il corso fornisce un'introduzione completa alla programmazione in Python. Al termine del percorso formativo lo studente sarà in grado di gestire le due strutture dati cardine del linguaggio: liste e dizionari. Verranno…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce un'introduzione completa alla programmazione in Python. Al termine del percorso formativo lo studente sarà in grado di gestire le due strutture dati cardine del linguaggio: liste e dizionari. Verranno inoltre affrontati i concetti essenziali della programmazione orientata agli oggetti e l'utilizzo pratico dei principali pacchetti e librerie disponibili, molto richiesti nell'ambito lavorativo.

L'insegnamento si propone di fornire le conoscenze relative ai più recenti strumenti statistici per la modellazione di dati complessi. In particolare, i metodi trattati sono finalizzati all'individuazione automatica di strutture e regolarità nei dati (statistical learning), consentendo di apprendere dai dati stessi e di costruire modelli utilizzabili per effettuare previsioni accurate e supportare i processi decisionali in condizioni di incertezza.
Al termine del corso lo studente sarà in grado di:

  • selezionare e applicare il metodo statistico più appropriato, nell'ambito dello statistical learning, per l'analisi di diverse tipologie di dati provenienti da problemi reali;
  • utilizzare il software statistico open source R per l'analisi e la visualizzazione dei dati, l'implementazione di modelli statistici e la produzione di previsioni;
  • interpretare criticamente i risultati delle analisi statistiche ai fini del supporto ai processi decisionali.

Programma

Introduzione al linguaggio di programmazione Python
Operatori e variabili
Selezione e iterazione
Stringhe come structure dati
Tuple, Liste, Insiemi (Set) e Dizionari
Funzioni
Files
OOP
Packages

  • Introduzione al machine learning: apprendimento supervisionato e non supervisionato, bias-variance trade-off.
  • Metodi di classificazione: classificazione k-nearest neighbors (k-NN), regressione logistica, classificatore Naive Bayes, analisi discriminante lineare e quadratica, alberi di classificazione (inclusi bagging, random forests e boosting).
  • Metodi di regressione: regression lineare, regressione lineare penalizzata (ridge/lasso regression), regressione k-nearest neighbors (k-NN), alberi di regressione (inclusi bagging, random forests e boosting), modelli di regressione non lineare (splines e modelli additivi generalizzati – GAM).
  • Metodi di ricampionamento: validazione incrociata (cross-validation) e bootstrap.

Conoscenze di base del funzionamento del calcolatore, così come esperienze di programmazione possono risultare utili, ma non sono indispensabili.

  • Buona conoscenza dei fondamenti di Statistica (statistica descrittiva, calcolo delle probabilità, statistica inferenziale e modello di regressione lineare).
  • Conoscenza di base del linguaggio di programmazione R (anche grazie alla frequenza del Crash Course normalmente organizzato per il primo semestre).

La didattica si svolgerà tramite lezioni frontali, ma con un'attenzione particolare al confronto e al dialogo diretto con gli studenti e tra studenti, che saranno coinvolti con esercizi e problematiche da discutere in aula.

L'insegnamento prevede 48 ore di lezioni teoriche. Sono inoltre previste attività di laboratorio con l'utilizzo del software R (generalmente 12 ore). Il calendario delle lezioni e delle attività di laboratorio sarà pubblicato all'inizio del corso sulla pagina Moodle dell'insegnamento.

Modalità d'esame

L'esame si compone di due parti: scritta e orale. La parte scritta consiste di un esercizio pratico su carta (senza PC) o in un ambiente di scrittura di solo testo e ha una durata di 90 minuti circa. La parte orale prevede la discussone delle scelte effettuate nella parte scritta e di tutti gli argomenti trattati a lezione.

L'esame consiste in:

  • una prova comprendente quesiti a risposta aperta e a risposta chiusa relativi agli argomenti teorici del corso e a brevi applicazioni dei metodi studiati;
  • esercizi da svolgere mediante il software R, finalizzati a valutare la capacità dello studente di analizzare dati e interpretare correttamente i risultati ottenuti.
    Le due componenti della prova d'esame (teorica e pratica) contribuiscono in misura approssimativamente equivalente (50% ciascuna) alla valutazione finale.

L'insegnamento costituisce il secondo modulo del corso integrato "Coding and Machine Learning" (12 CFU). Il voto finale del corso integrato è determinato dalla media dei voti conseguiti nei due moduli ("Coding for Data Science" e "Machine Learning for Economics"). Gli esiti saranno pubblicati sulla pagina Moodle dell'insegnamento.

Codice insegnamento 9090_48000_14863

Data Production And Analysis 1° anno · 1° semestre · 6 CFU · STAT-02/A · 0 file

Il corso “Data Production and Analysis” offre una solida preparazione per lo svolgimento di attività professionali nell’ambito della produzione, raccolta, trattamento e analisi dei dati. Il corso intende fornire agli…

Scheda dell'insegnamento

Obiettivi formativi

Il corso “Data Production and Analysis” offre una solida preparazione per lo svolgimento di attività professionali nell’ambito della produzione, raccolta, trattamento e analisi dei dati. Il corso intende fornire agli studenti gli strumenti necessari per affrontare attività di ricerca empirica in diversi ambiti disciplinari, quali la statistica, l’economia e le scienze sociali. Particolare attenzione è dedicata al sistema ufficiale di produzione dei dati, nel quadro dei processi di modernizzazione e coordinamento dei produttori di statistiche ufficiali.

Da un lato, il corso guiderà e incoraggerà lo sviluppo di un approccio professionale fondato sul ricorso alle statistiche ufficiali, eventualmente integrate con altre tipologie di fonti disponibili.

Dall’altro lato, il corso introduce i principali metodi di raccolta e produzione dei dati, includendo sia il quadro delle statistiche ufficiali sia altri sistemi di dati non ufficiali. Tali dati possono essere utilizzati in diversi ambiti — economico, sociale, sanitario e altri ancora — e per molteplici finalità.

Sebbene sia prevalentemente incentrato sulle statistiche ufficiali, quanto appreso durante il corso fornirà una solida guida per la produzione e la raccolta di dati in qualsiasi altro ambito, anche al di fuori del quadro delle statistiche ufficiali. Gli studenti acquisiranno la capacità di applicare metodi adeguati nelle diverse fasi del processo di produzione o raccolta dei dati, quali il controllo della qualità, il trattamento dei dati mancanti, le procedure di imputazione e l’individuazione di valori anomali, con l’obiettivo di verificare o migliorare la qualità dei dati. Gli studenti si eserciteranno inoltre nel “ciclo” di produzione e analisi dei dati, affrontando casi pratici sia durante le lezioni sia nelle attività di laboratorio.

La capacità di elaborare e analizzare i dati sarà ulteriormente approfondita a livello pratico attraverso l’apprendimento dell’utilizzo e della programmazione di uno dei software statistici più diffusi e apprezzati a livello internazionale: SAS.

I principali obiettivi specifici del corso sono:

  • acquisire la capacità di scegliere criticamente e utilizzare correttamente diverse tipologie di fonti di dati, tra cui censimenti, indagini trasversali o longitudinali e fonti amministrative;
  • familiarizzare con i principali concetti organizzativi legati alla produzione di statistiche ufficiali, quali il Generic Statistical Business Process Model — GSBPM, l’archiviazione dei dati, la gestione dei metadati, le classificazioni statistiche standard e le procedure di imputazione;
  • essere in grado di progettare e gestire processi di produzione dei dati in diversi ambiti;
  • essere in grado di valutare e migliorare la qualità dei dati, tenendo conto delle principali dimensioni della qualità, imparando a valutare i dati, a individuare eventuali criticità e ad applicare metodi adeguati per ottimizzarne la qualità.

Il corso è pienamente coerente con gli obiettivi formativi del label EMOS — European Master in Official Statistics — di cui rappresenta un elemento fondamentale, nonché con quelli del corso di laurea magistrale EDA — Economics and Data Analysis.

Programma

  • GSBPM — Generic Statistical Business Process Model — passo dopo passo: come è organizzato e come funziona un modello operativo per la produzione di statistiche ufficiali nel quadro dei processi di produzione dei dati.
  • Il ruolo dei metadati: migliorare gli standard di qualità delle informazioni prodotte e fornire buone pratiche per comunicare, condividere e visualizzare in modo chiaro risultati statistici o quantitativi di qualsiasi tipo.
  • Le fasi del processo di produzione dei dati e le decisioni da assumere in ciascuna fase. Consapevolezza delle interazioni tra le diverse fasi, nonché dei vantaggi e degli svantaggi ai fini statistici.
  • Indagini probabilistiche: concetti di base, metodi di campionamento, modalità di raccolta dei dati, errori e paradigma dell’errore totale d’indagine, quadro di riferimento per la qualità, Codice delle statistiche europee, progettazione del questionario, analisi della mancata risposta, metodi di correzione della mancata risposta e stima.
  • Metodi di editing e imputazione dei dati nella pratica: come correggere in modo professionale le problematiche più comuni riscontrabili nei dati grezzi raccolti, ottimizzandone la qualità, l’utilizzabilità e l’affidabilità.
  • Campioni non probabilistici: campioni di convenienza, campioni per quote, panel web volontari.
  • Problemi di copertura e di autoselezione nei campioni non probabilistici.
  • L’utilizzo dei Big Data nella metodologia delle indagini.
  • Intelligenza artificiale e metodologia delle indagini.
  • Introduzione al software statistico SAS mediante un’interfaccia intuitiva: utilizzo di SAS Studio e primi passi nella programmazione SAS.

No prerequisites

Il corso prevede sia lezioni frontali sia attività di laboratorio, con una costante interazione e discussione tra docente e studenti; promuove inoltre una partecipazione attiva.

Saranno proposti anche seminari tematici e workshop, ad esempio sulla programmazione con SAS o su ulteriori argomenti specialistici.

Potranno inoltre essere proposti agli studenti progetti di ricerca individuali.

Modalità d'esame

La valutazione si baserà su una prova finale scritta, comprendente quesiti vero/falso o domande a risposta multipla, domande aperte ed esercizi. Inoltre, la capacità di utilizzare SAS Studio sarà valutata attraverso una prova pratica di analisi dei dati.

Il punteggio finale dell’esame potrà essere integrato da:

  • presentazioni, svolte individualmente o in gruppo, di casi di studio, risultati di ricerca e/o approfondimenti su specifici argomenti del corso;
  • valutazione di attività assegnate dai docenti, comprendenti casi di studio, relazioni e presentazioni rivolte ai colleghi.

Codice insegnamento 9091_48007_10067

Emerging Technologies Law 1° anno · 1° semestre · 6 CFU · GIUR-03/A · 0 file

To get familiar with the major technological changes that are affecting society, the law and the banking and financial sector. To understand the key approaches, themes, challenges and limitations to govern emerging…

Scheda dell'insegnamento

Obiettivi formativi

  • To get familiar with the major technological changes that are affecting society, the law and the banking and financial sector.
  • To understand the key approaches, themes, challenges and limitations to govern emerging technologies through prospective legislation and regulation.
  • To learn the role, strengths and weaknesses of liability as a legal tool for governing emerging technologies.
  • To appreciate how technology is transforming the practice of law.

Programma

Emerging technologies such as artificial intelligence, robotics, and blockchain are advancing at an unprecedented rate. Law is affected by these emerging technologies in two primary ways. First, the law is called upon to help society govern technology and its potential impacts both ex-ante (regulation) and ex-post (liability). Second, the practice of law itself is being affected and altered by technology in unprecedented ways. This course will provide an overview of both aspects of this growing intersection between law and technology.

No prerequisites required

The course will be taught through face-to-face lectures. The teaching approach will promote critical thinking and will encourage classroom dialogue and discussion.
Special attention will be given to examples and illustration on specific aspects on emerging technologies law.
The teaching programme includes seminars delivered by visiting professors.

Modalità d'esame

The examination will take place through multiple choice questions and group presentations.

Codice insegnamento 9090_48003_15847

Empirical Methods In Impact Evaluation 1° anno · 2° semestre · 6 CFU · ECON-01/A · 0 file

This course introduces students to the main theoretical and empirical tools used in applied data analysis and empirical research, with a specific focus on the identification and estimation of causal effects. The course…

Scheda dell'insegnamento

Obiettivi formativi

This course introduces students to the main theoretical and empirical tools used in applied data analysis and empirical research, with a specific focus on the identification and estimation of causal effects. The course is designed to help students understand how credible empirical evidence can be used to answer policy-relevant questions in economics and the social sciences.
A central objective of the course is to develop students’ ability to critically assess empirical research. Students will learn how to read and evaluate scientific articles, paying particular attention to the research question, the identification strategy, the data used, and the interpretation of empirical results. They will also begin to design and conduct their own empirical analyses using the methods discussed in class.
The course will focus on applied microeconometric tools for impact evaluation and causal inference. These methods will allow students to address questions such as: Does smoking cause cancer? Does an additional year of education increase future earnings? Does job training improve productivity? Does the minimum wage affect unemployment? Does an increase in police presence reduce crime?
By the end of the course, students will be able to formulate policy-relevant research questions, identify appropriate empirical strategies, collect and organize suitable data, and carry out basic empirical analyses using econometric software, with particular reference to Stata. More broadly, students will acquire the foundations needed to interpret empirical evidence and to develop independent applied research projects.

Programma

The course covers empirical strategies for addressing applied policy questions. Its main objective is to introduce students to the empirical tools used for counterfactual analysis and impact evaluation. The course will discuss the identification strategies and estimation techniques that are most relevant for estimating causal effects, with particular attention to applications based on observational data.

The course will cover the following topics:

  • Review of basic econometric tools: OLS and panel data methods
  • The ideal experiment: causal effects and the selection problem
  • Matching and propensity score methods
  • Randomized controlled trials
  • From observational data to natural experiments: instrumental variables
  • Difference-in-differences and synthetic control methods
  • Regression discontinuity designs
  • Quantile regressions
  • Machine Learning and Causality
  • Selected topics in impact evaluation

The emphasis will be on the practical implementation of each approach using Stata.

There are no specific prerequisites other than the requirements for admission to the programme, as indicated on the programme website: https://ls-eda.unibg.it/en.
However, students are strongly advised to have attended a course in Advanced Econometrics and to have a solid background in basic statistics, econometrics, and hypothesis testing.

The course combines traditional lectures with hands-on practical sessions. Lectures will introduce the main theoretical concepts, identification strategies, and empirical methods used in impact evaluation. Practical sessions will allow students to apply these methods to real or simulated data and to become familiar with their implementation using econometric software, particularly Stata.
Both lectures and practical sessions are designed to encourage active participation, critical thinking, and class discussion. Students will be invited to engage with empirical examples, discuss research designs, and interpret results in light of policy-relevant questions.

Modalità d'esame

The procedure and content of the exam will be the same for both attending and non-attending students.

Mode 1
This assessment mode is reserved for students who regularly and consistently attend the course lectures. The in-class workshops are an integral part of the course and are reserved for students who attend lectures on a regular basis. Participation in the in-class workshops alone is not sufficient to qualify for this assessment mode.
The detailed attendance requirements and the procedure for verifying attendance will be communicated at the beginning of the course. Students who do not meet the attendance requirements, or who do not take part in the required in-class activities, will be assessed according to Mode 2.
For students assessed under Mode 1, the final grade will be based on two components:
In-class group work – 40% of the final grade

  • During the course, four dedicated in-class workshops will be organized. In each workshop, students will work in small groups on applied exercises, empirical applications, or research-design tasks related to the topics covered in class.
  • The activities may involve the discussion of an empirical paper, the formulation of a research question, the identification of a suitable empirical strategy, the interpretation of empirical results, or the implementation of basic empirical analyses.
  • The assessment will be based on the outputs produced during these in-class sessions. The aim is to evaluate students’ ability to apply the methods discussed in the course, work collaboratively, and critically assess empirical strategies in real time.
    Written exam – 60% of the final grade
  • The written exam will assess students’ individual understanding of the main concepts, methods, and applications covered in the course. It may include theoretical questions, interpretation of empirical results, discussion of identification strategies, and applied questions related to impact evaluation.

Mode 2 – Comprehensive written exam
Mode 2 is available to all students. It applies to non-attending students, to students who do not meet the requirements for Mode 1, and to attending students who prefer to be assessed entirely through a written exam.
Students assessed under Mode 2 will take a comprehensive written exam covering the entire course programme. The exam will be designed to evaluate both theoretical knowledge and the ability to apply empirical methods to policy-relevant questions.
The exam may include questions on causal inference, identification strategies, interpretation of empirical results, research design, and the critical evaluation of empirical studies. Compared with the written exam included in Mode 1, the Mode 2 exam will place greater weight on the independent mastery of the full syllabus, including all readings, methodological topics, and applied examples included in the course materials.
Students who choose Mode 2 will be assessed exclusively on the basis of the comprehensive written exam. In-class workshop activities, if attended, will not contribute to the final grade under this mode.

Students are required to indicate their preferred assessment mode by the end of the fourth week of classes. Students who do not communicate their choice by this deadline will be automatically assigned to Mode 2.

Codice insegnamento 9090_48004_11515

Industrial Organization: Theory And Applications 1° anno · 2° semestre · 6 CFU · ECON-04/A · 0 file

Questo corso si propone di illustrare il ruolo delle scelte delle imprese e dei mercati caratterizzati da concorrenza imperfetta nelle decisioni private e sociali. Particolare attenzione è dedicata ai mercati di…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso si propone di illustrare il ruolo delle scelte delle imprese e dei mercati caratterizzati da concorrenza imperfetta nelle decisioni private e sociali. Particolare attenzione è dedicata ai mercati di Internet, al ruolo delle reti e al comportamento delle piattaforme. L'obiettivo è mantenere un elevato livello di rigore nell'analisi teorica, motivando al contempo i modelli attraverso esempi tratti dal mondo reale, così da creare un collegamento tra teoria e pratica.
Il corso di Economia Industriale (Industrial Organization, IO) è rivolto a studenti di laurea triennale avanzati e a studenti di laurea magistrale che abbiano una preparazione di livello intermedio in Microeconomia ed Economia Industriale.

Programma

Introduzione sull' Economia Digitale
Innovazione and R&S
La diffusione delle innovazioni
Il ruolo dei brevetti e dei copyrights
Economie di network
Compatibilità e standard
Piattaforme
Two-sided market
Piattaforme e politiche dei prezzi
Il sistema di rating e recommendations
E-commerce
Platforms design

Non ci sono prerequisiti obbligatori, ma i corsi di Microeconomia e di Economia Industriale sono fortemente raccomandati.

Lezioni frontali ed esercitazioni

Modalità d'esame

L'esame è scritto e consiste in due prove: la prima è un esercizio analitico, mentre la seconda è una domanda a risposta aperta su uno specifico argomento trattato nel corso. L'esame è finalizzato a verificare sia la conoscenza dei contenuti fondamentali sia la capacità di applicare i modelli presentati durante il corso alla risoluzione di problemi.

Per gli studenti frequentanti il 50% del voto finale è attribuito a un breve elaborato (massimo 5 pagine) su un articolo selezionato, che dovrà essere presentato in aula mediante una presentazione di circa 15 minuti. Il restante 50% del voto finale è determinato dall'esito di una prova scritta, costituita da un esercizio relativo a uno degli argomenti trattati nel corso.

Codice insegnamento 9092_48010_36281

Labor Law, Digital Technologies And Robotization 1° anno · 1° semestre · 6 CFU · GIUR-04/A · 0 file

Al termine del corso, lo studente matura una conoscenza dei problemi giuridici del lavoro legali all’implementazione delle nuove tecnologie nell’ambito dei contesti produttivi. In particolare, sa: comprendere il quadro…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente matura una conoscenza dei problemi giuridici del lavoro legali all’implementazione delle nuove tecnologie nell’ambito dei contesti produttivi. In particolare, sa: comprendere il quadro normativo di riferimento, analizzare i problemi applicativi delle tecnologie sulla legislazione del lavoro, conoscere le tutele delle quali il lavoratore dispone, trattare, anche in maniera critica, tematiche specifiche, prospettare soluzioni giuridiche a casi concreti.

Programma

Il corso è dedicato all’approfondimento del rapporto tra il diritto del lavoro e le nuove tecnologie e, in particolare, saranno trattati i seguenti argomenti: il rapporto tra diritto del lavoro ed innovazione tecnologica, i poteri del datore di lavoro con l’utilizzo di algoritmi e sistemi di intelligenza artificiale, il controllo del lavoro tramite le nuove tecnologie e la tutela della riservatezza, l’intelligenza artificiale e le mansioni del lavoratore, il lavoro tramite piattaforma.

Nessuno

Il corso si svolgerà mediante lezioni frontali finalizzate a chiarire il quadro giuridico di riferimento ed i problemi che si pongono, anche attraverso seminari didattici con la partecipazione di esperti del settore. All'interno del corso saranno organizzati per gli studenti frequentanti cicli di seminari con esercitazioni pratiche, aventi ad oggetto l'analisi di provvedimenti e casi di specie e finalizzate a far conseguire agli studenti una comprensione di essi anche attraverso l'utilizzo delle più moderne tecnologie. Al fine di meglio strutturare tali seminari, il docente procederà ad individuare gli argomenti in relazione alle tematiche esposte durante il ciclo di lezione che presentano maggiori spunti di interesse con il coinvolgimento degli studenti attraverso un modello di confronto di learning on demand.

Modalità d'esame

L’esame si svolge in forma orale e la valutazione è espressa con un voto in trentesimi, con eventuale lode. I criteri per la valutazione della prova orale tengono conto della correttezza dei contenuti, della chiarezza argomentativa e delle capacità di analisi critica e di rielaborazione.
Lo studente, ai fini del positivo superamento dell’esame, deve essere in grado di dimostrare la conoscenza approfondita della disciplina del diritto della previdenza sociale e degli istituti che ne compongono il sistema. Partendo da tali conoscenze, gli studenti sono chiamati ad assumere motivate opinioni rispetto all’evoluzione della normativa, della giurisprudenza e delle prassi applicative.

Codice insegnamento 9090_49483_40765

Personnel Economics And Hr Analytics 1° anno · 2° semestre · 6 CFU · ECON-02/A · 0 file

L’obiettivo del corso è introdurre gli studenti e le studentesse all’analisi economica di temi legati alla gestione delle risorse umane all’interno delle organizzazioni. Il corso offre l’opportunità sia di applicare…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso è introdurre gli studenti e le studentesse all’analisi economica di temi legati alla gestione delle risorse umane all’interno delle organizzazioni. Il corso offre l’opportunità sia di applicare metodi statistici ed econometrici a specifici temi relativi all’organizzazione del lavoro nelle imprese, sia di testare con dati reali le principali teorie della personnel economics.
Al termine del corso, lo studente/la studentessa sarà in grado di: 1) comprendere i principali determinanti economici e gli effetti delle diverse politiche di gestione delle risorse umane all’interno dell’impresa, considerando anche il contesto istituzionale in cui l’impresa opera; 2) definire una domanda di ricerca relativa alla personnel economics, identificare e/o raccogliere i dati necessari per rispondere empiricamente a tale domanda e svolgere l’analisi empirica; 3) formulare indicazioni di policy rivolte sia alle imprese sia ai decisori pubblici a diversi livelli, locale, nazionale e internazionale. Il corso è utile sia a chi desidera lavorare, con competenze quantitative, nei dipartimenti HR delle imprese, sia a chi intende intraprendere una carriera come analista economico o consulente.

Programma

Il corso tratterà i seguenti argomenti:

  • Introduzione all’analisi empirica in economia del lavoro e personnel economics: strategie di identificazione, tipologie e raccolta dei dati, problemi di misurazione.
  • Investimento in competenze: rendimenti dell’istruzione e ruolo delle competenze cognitive e non cognitive.
  • Equazioni salariali e sample selection.
  • Differenze nel mercato del lavoro e discriminazione. Il ruolo dell’IA nei processi di selezione del personale.
  • Incentivi nelle organizzazioni.
  • Lavoro da remoto.

Nessuno, ma nozioni di base di microeconomia e statistica sono utili per affrontare con successo il corso

Lezioni frontali con sezioni interattive, durante le quali gli studenti e le studentesse saranno incoraggiati a lavorare in coppia o in piccoli gruppi su temi specifici.
Discussioni aperte basate su articoli specifici che gli studenti dovranno leggere in anticipo.
Alcune lezioni possono prevedere la partecipazione di esperti esterni sui temi del corso.
Laboratori applicati in Stata, nei quali gli studenti avranno l’opportunità di lavorare direttamente su dati reali e di replicare alcuni degli studi empirici discussi durante le lezioni.

Modalità d'esame

Per gli studenti e studentesse frequentanti: progetto empirico (40% del voto finale) e prova scritta finale (60% del voto finale). Il progetto empirico sarà valutato su una scala in trentesimi e potrà essere svolto in piccoli gruppi. Per gli studenti non frequentanti: prova scritta finale. La prova finale sarà composta da due parti: domande brevi (parte A) e domande aperte (parte B) sugli argomenti trattati nel corso. Il voto finale della prova sarà dato dalla media ponderata dei punteggi ottenuti nelle due parti.
Per gli studenti e studentesse frequentanti, per superare il corso è richiesto un punteggio minimo di 18/30 sia nel progetto empirico sia nella prova scritta.

Nota: La docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione finale.

Codice insegnamento 9092_48009_16115

Probability And Statistics 1° anno · 1° semestre · 3 CFU · STAT-01/A · 0 file

In questo corso richiameremo innanzitutto alcuni concetti fondamentali del calcolo delle probabilità. In particolare, tratteremo il concetto di variabile casuale, continua e discreta, e di densità. Introdurremo poi i…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso richiameremo innanzitutto alcuni concetti fondamentali del calcolo delle probabilità. In particolare, tratteremo il concetto di variabile casuale, continua e discreta, e di densità.

Introdurremo poi i vettori di variabili casuali e la loro densità congiunta, al fine di discutere il concetto di indipendenza in statistica.

Verranno inoltre spiegati e commentati la Legge dei Grandi Numeri e il Teorema Centrale del Limite.

Dopo aver richiamato il concetto di stima, verrà definito il metodo della massima verosimiglianza e ne verranno discusse le proprietà. In particolare, saranno descritti gli intervalli di confidenza e i test asintotici ottenuti mediante il metodo della massima verosimiglianza.

Programma

Parte I – Probabilità (richiami)
Variabili casuali discrete e continue. Funzione di densità e funzione di massa di probabilità.
Alcuni modelli rilevanti, ad esempio Bernoulli, Binomiale, Poisson, Gaussiano e Gamma.
Vettori di variabili casuali: densità congiunta, marginale e condizionata. Indipendenza.
Legge dei Grandi Numeri e Teorema Centrale del Limite.

Parte II – Inferenza basata sulla verosimiglianza
Introduzione e panoramica. Inferenza statistica, campionamento, statistiche e probabilità. Alcuni problemi tipici. Statistica e problemi reali. Verosimiglianza. Modelli statistici. Verosimiglianza statistica.
Stima di massima verosimiglianza. Informazione di Fisher.

Parte III – Intervalli di confidenza e verifica di ipotesi
Aspetti generali. Tre statistiche test legate alla verosimiglianza. Proprietà asintotiche degli stimatori di massima verosimiglianza. Intervalli asintotici e test asintotici.

Buona conoscenza dei concetti fondamentali in Statistica

Il corso consiste in lezioni frontali. Il calendario delle lezioni sarà pubblicato all’inizio del corso sulla piattaforma e-learning.

Modalità d'esame

L’esame consiste in una prova comprendente esercizi e alcune domande aperte e domande vero/falso, relative ad argomenti teorici o a brevi applicazioni dei metodi studiati.

Codice insegnamento 9090_48005_36255

Soft And Complementary Skills 1° anno · 3 CFU · 0 file

Questo insegnamento mira a rafforzare le competenze trasversali richieste negli studi economici avanzati e nei contesti professionali in cui la capacità di analizzare dati, sintetizzare informazioni e comunicare…

Scheda dell'insegnamento

Obiettivi formativi

Questo insegnamento mira a rafforzare le competenze trasversali richieste negli studi economici avanzati e nei contesti professionali in cui la capacità di analizzare dati, sintetizzare informazioni e comunicare risultati è fondamentale. Gli studenti svilupperanno un approccio metodico ai problemi economici imparando a interpretare dataset eterogenei, utilizzare l’intelligenza artificiale generativa in modo consapevole e responsabile, e applicare strumenti GIS di base per produrre variabili spaziali e mappe tematiche rilevanti per la ricerca empirica. Acquisiranno inoltre la capacità di organizzare e gestire riferimenti bibliografici tramite banche dati accademiche e strumenti LaTeX, garantendo rigore e riproducibilità nella scrittura scientifica. Il corso forma anche gli studenti a strutturare e presentare esposizioni orali chiare ed efficaci, adattando linguaggio, contenuti e supporti visivi ai diversi tipi di comunicazione economica. Nel complesso, l’insegnamento sostiene lo sviluppo di capacità di problem solving, autonomia analitica e dell’abilità di integrare strumenti digitali, inclusi i sistemi di IA, software GIS e gestori bibliografici, all’interno di un flusso di lavoro coerente per la ricerca e la pratica professionale.

Programma

Al fine di perseguire gli obiettivi formativi, l'insegnamento offre una panoramica su:

  • Origine storico-scientifica dell’intelligenza artificiale generativa, con particolare attenzione ai Large Language Model (LLM) e ai relativi chatbot; uso consapevole degli LLM come strumenti di supporto all’apprendimento e all’analisi dei dati, anche in ambiti disciplinari inizialmente non familiari agli studenti.
  • Introduzione ai GIS e al loro utilizzo nella ricerca economica; dati vettoriali e raster; sistemi di coordinate e principi di costruzione delle mappe. Laboratorio pratico con QGIS: integrazione di dati spaziali e tabellari, realizzazione di mappe tematiche e creazione di indicatori spaziali per l’analisi empirica.
  • Introduzione alla ricerca bibliografica in economia e alla corretta citazione delle fonti; principali banche dati e stili citazionali. Laboratorio pratico in LaTeX: utilizzo di BibTeX/biblatex per organizzare la bibliografia, inserire citazioni nel testo e generare automaticamente le liste dei riferimenti.
  • Organizzazione dei contenuti delle slides e video di supporto alle presentazioni orali; tipo di linguaggio durante differenti tipi di presentazione di carattere economico.

Nessuno

Lezioni frontali.

Modalità d'esame

Gli studenti dovranno dimostrare di aver acquisito una conoscenza sufficiente degli argomenti trattati durante le lezioni attraverso un assignment di gruppo.

Codice insegnamento 9090_48001_36247

Advanced International Economics 2° anno · 6 CFU · ECON-01/A · 0 file

Il corso mira a sviluppare competenze approfondite nell'analisi e nell'interpretazione delle cause e degli effetti della globalizzazione. Questo avverrà tramite lo studio di teorie avanzate dell'economia internazionale e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a sviluppare competenze approfondite nell'analisi e nell'interpretazione delle cause e degli effetti della globalizzazione. Questo avverrà tramite lo studio di teorie avanzate dell'economia internazionale e la discussione delle più recenti evidenze empiriche su alcune delle principali questioni legate alla globalizzazione. Al termine del corso, gli studenti avranno acquisito conoscenze avanzate sugli strumenti teorici ed empirici necessari per comprendere e valutare le determinanti della globalizzazione e le sue implicazioni. Queste includono il benessere dei paesi, la produttività delle imprese, l'innovazione e la crescita economica, l'occupazione e i salari, nonché la struttura di mercato in cui operano le imprese.

Programma

Il corso copre i seguenti argomenti:

  • modello di Ricardo;
  • modello di Heckscher-Ohlin;
  • modello di Krugman;
  • imprese eterogenee e riallocazioni;
  • globalizzazione e mercato del lavoro;
  • globalizzazione, produttività e innovazione;
  • globalizzazione e potere di mercato
  • globalizzazione, automazione e intelligenza artificiale.

Per eventuali propedeuticità obbligatorie consultare il sito del Corso di laurea.

Lezioni frontali, esercitazioni e discussione in classe di articoli scientifici.

Modalità d'esame

L'esame consiste in una prova scritta comprendente domande del tipo vero/falso, domande a risposta multipla e domande aperte/esercizi. La prova ha l'obiettivo di verificare la comprensione dei modelli e la capacità di utilizzarli per interpretare i fatti che caratterizzano il sistema economico internazionale.

Codice insegnamento 9092_49484_36321

Big Data Management 2° anno · 6 CFU · STAT-04/A · 0 file

Al termine del corso lo studente sarà in grado di progettare e interrogare un database, sia esso relazionale o non-relazionale, in base alle proprie necessità applicative. Sarà inoltre in grado di utilizzare sia i…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente sarà in grado di progettare e interrogare un database, sia esso relazionale o non-relazionale, in base alle proprie necessità applicative. Sarà inoltre in grado di utilizzare sia i tradizionali database relazionali (RDMS) sia i database cosiddetti NoSQL per la gestione e l'interrogazione di dati semi-strutturati.

Programma

Introduzione al data management in presenza di Big Data.
Modelli di database: SQL e NoSQL.
Linguaggi per database.
Structured Query Language: SQL.
Graph Query Language: Cypher.
Consistenza dei dati.
Architettura dei DBMS.
Post-relational database.

Concetti di base del modello E/R e del modello relazionale sono utili anche se non essenziali.

La didattica si svolgerà tramite lezioni frontali, ma con un'attenzione particolare al confronto e al dialogo diretto con gli studenti e tra studenti, che saranno coinvolti con esercizi e problematiche da discutere in aula.

Modalità d'esame

Parte scritta relativa ai linguaggi dei database.
Prova orale dei contenuti teorici del corso.

Codice insegnamento 9091_48020_14873

Computational Statistics 2° anno · 6 CFU · STAT-01/A · 0 file

Il corso è progettato per fornire conoscenze e comprensione dei metodi computazionali contemporanei per risolvere problemi inferenziali complessi. Alla fine del corso, gli studenti saranno in grado di applicare le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è progettato per fornire conoscenze e comprensione dei metodi computazionali contemporanei per risolvere problemi inferenziali complessi. Alla fine del corso, gli studenti saranno in grado di applicare le funzioni esistenti all'interno del framework software R e di implementare autonomamente nuove funzioni e tecniche computazionali su misura per sfide inferenziali specifiche nei vari modelli statistici.

Programma

-Trasformazione di variabili casuali
-Funzione di ripartizione empirica e risultati asintotici
-Metodi Monte Carlo e generazione di numeri casuali
-Metodi bootstrap
-Ottimizzazione: bisezione, Newton-Raphson, secante
-Ottimizzazione multivariata: discesa/ascesa del gradiente, discesa/ascesa del gradiente con momento e metodo di Newton-Raphson multivariato
-Algoritmo EM, con i modelli mixture come esempio
-Introduzione ai modelli state-space

  • Buona conoscenza della teoria della probabilità, della statistica inferenziale e dei modelli statistici fondamentali.
  • Conoscenza di base del linguaggio di programmazione R.

Il corso ha una durata complessiva di 48 ore, che includono lezioni teoriche (supportate da slide) e sessioni pratiche utilizzando il software R.

Modalità d'esame

L'esame consiste in una prova pratica che comprende sia domande teoriche che esercizi che richiedono l'uso del software R. La valutazione si concentrerà anche sulla capacità di interpretare criticamente i risultati.

Codice insegnamento 9091_48018_36285

Digital Transformation And Policies 2° anno · 6 CFU · ECON-02/A · 0 file

Gli obiettivi del corso sono: i) familiarizzare gli studenti con la conoscenza delle tecnologie radicalmente nuove come la robotica, l'intelligenza artificiale, il machine learning, la manifattura additiva e l'internet…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso sono:
i) familiarizzare gli studenti con la conoscenza delle tecnologie radicalmente nuove come la robotica, l'intelligenza artificiale, il machine learning, la manifattura additiva e l'internet delle cose che caratterizzano la trasformazione digitale;
ii) approfondire la conoscenza e la comprensione delle fonti della trasformazione digitale, evidenziando come avvengono i cambiamenti nei paradigmi tecno-economici;
iii) fornire agli studenti una conoscenza approfondita dei meccanismi dietro il cambiamento industriale causato dalla trasformazione digitale e degli impatti di tale cambiamento radicale sull'organizzazione della produzione, sul mercato del lavoro, sulle politiche economiche e sull'organizzazione del mercato. Infatti, a differenza delle precedenti rivoluzioni industriali, l'automazione tramite intelligenza artificiale si estende ai compiti cognitivi e mentali, ridefinendo l'equilibrio tra distruzione e creazione di posti di lavoro e il bias di competenze dell'automazione;
iv) potenziare le capacità necessarie per analisi qualificate indipendenti - e implementazione economica/manageriale - di processi e strategie legate al cambiamento industriale e tecnico a diversi livelli di sistemi (a livello di imprese, settori industriali e sistema economico nel suo complesso);
v) riconoscere il ruolo delle politiche economiche. Il nuovo paradigma richiede un nuovo set di condizioni affinché le imprese possano sopravvivere, competere e avere successo, richiedendo una simile ripensamento del nostro approccio comune all'organizzazione e alle dinamiche industriali. Le istituzioni hanno un ruolo centrale nel dirigere e governare questo nuovo paradigma industriale con politiche che a volte devono affrontare aspetti completamente nuovi (ad esempio l'uso e la governance dei dati).

Programma

Il corso è costituito da lezioni, discussioni e dibattiti di gruppo su argomenti specifici trattati nella letteratura obbligatoria.
I principali argomenti sono:

  • Introduzione. Cos'è la trasformazione digitale e perché è importante studiare questo argomento.
  • Trasformazione digitale come tecnologia: un'introduzione all'innovazione radicale e rivoluzionaria.
  • Una conoscenza di base dell'economia della digitalizzazione.
  • Trasformazioni digitali e piattaforme.
  • Governare le trasformazioni digitali.
  • Affrontare la dominanza e le politiche digitali.
  • Intelligenza artificiale e l'uso e la governance dei dati.
  • Intelligenza artificiale come strumento di scoperta.

Una buona conoscenza di Statistica/Econometria.
Durante il corso verranno assegnati compiti che richiederanno capacità di raccolta e analisi dei dati.

Il corso si svolge in parte sotto forma di lezioni frontali tenute dal professore e in parte sotto forma di presentazioni degli studenti e discussioni congiunte su alcuni compiti riguardanti argomenti di interesse e possibilmente sull'analisi dei dati relativi a tali argomenti. I compiti degli studenti sono svolti da gruppi di solitamente 2, massimo 3 persone. Le presentazioni/discussioni di gruppo seguono un programma concordato all'inizio del corso tra l'insegnante e gli studenti.
I metodi didattici includono la formazione al lavoro di gruppo e al lavoro individuale per la preparazione e la comunicazione degli elaborati e l'analisi dei dati. Gli studenti sono formati all'uso di riferimenti bibliografici e citazioni, alla ricerca di fonti rilevanti, alla ricerca di dati reali su dataset pubblici affidabili e alla verifica di contenuti poco chiari.
Agli studenti viene inoltre chiesto di rispondere a domande di ricerca teoriche e applicate utilizzando dati reali e tecniche di statistica/econometria.
Le presentazioni/discussioni in classe sfidano gli studenti a confrontarsi con le dinamiche della comunicazione, sia come attori che come spettatori, dando loro l'opportunità di valutare i punti di forza e di debolezza delle performance.
Durante il corso, Kahoot o Mentimeter sono utilizzati per stimolare la partecipazione attiva degli studenti, se necessario.

Modalità d'esame

La valutazione finale è data da:

  • La valutazione di alcuni assignement svolti da gruppi di 2 (massimo 3) studenti e la loro presentazione in classe.

La valutazione degli assignment misura le capacità degli studenti di:

  • utilizzare correttamente i dati reali a livello aziendale;
  • comprendere correttamente le domande di ricerca;
  • posizionare l'argomento nel corretto filone della letteratura;
  • utilizzare le corrette tecniche statistiche/econometriche per rispondere alla domanda di ricerca.

La valutazione delle presentazioni degli studenti valuta:

  • La corretta comprensione dell'argomento.
  • L'identificazione delle questioni chiave e del loro ordine di priorità.
  • La capacità di sintetizzare i contenuti rilevanti.
  • La forza e la coerenza del racconto.
  • L'efficacia delle slide.

La valutazione delle presentazioni e degli assignement degli studenti costituisce il 50% del voto finale e tiene conto della partecipazione attiva dello studente durante le lezioni e le presentazioni degli altri studenti. Gli studenti devono ottenere un voto sufficiente (18/30) nella valutazione degli assignement/discussions per superare l'esame.

2) L'esame scritto informatizzato alla fine del corso riguardante tutti i contenuti delle lezioni e delle letture obbligatorie.
Costituisce il 50% del voto finale.
L'esame scritto consiste in domande aperte e/o domande a scelta multipla.

L'esame scritto valuta:

  • Il corretto apprendimento dei concetti relativi agli argomenti del programma.
  • La precisione delle risposte e la capacità di sintetizzare i concetti rilevanti.
  • La capacità di comprendere ed esporre questioni complesse.
  • L'efficacia dell'esposizione scritta.
    Gli studenti devono ottenere un voto sufficiente (18/30) nella prova scritta per superare l'esame.

Gli studenti che non possono frequentare le lezioni in presenza e fare le presentazioni/assignment in classe sono valutati secondo:
a) l'esame scritto (vedi sopra punto 2), e
b) l'esame orale, che seguirà immediatamente nella stessa sessione se gli studenti ottengono un voto sufficiente (18/30) nell'esame scritto.
L'esame orale e scritto si concentra sul programma standard e sulle letture aggiuntive.

Codice insegnamento 9092_48022_16117

European Economic Policy 2° anno · 6 CFU · ECON-02/A · 0 file

Gli studenti apprendono i costi e i benefici di aderire a un'unione monetaria, le principali istituzioni economiche che governano l'Eurozona (EZ) e come il funzionamento dell'EZ si differenzia da quello di altre aree…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti apprendono i costi e i benefici di aderire a un'unione monetaria, le principali istituzioni economiche che governano l'Eurozona (EZ) e come il funzionamento dell'EZ si differenzia da quello di altre aree monetarie.
Gli obiettivi della politica fiscale e monetaria dell'EZ, gli strumenti a disposizione delle istituzioni economiche, la loro implementazione e efficacia sono argomenti chiave del corso.
Specifici eventi, quali la crisi finanziaria del 2009, la crisi dei debito sovrani del 2012, la pandemia del 2020 e il picco dell'inflazione nel 2022, saranno utilizzati per studiare come le istituzioni e gli strumenti di politica economica sono cambiati negli ultimi anni.
Verranno anche esaminate le reazioni delle istituzioni dell'EZ ai cambiamenti climatici e le politiche implementate per affrontare le relative questioni socio-economiche.
Alla fine del corso, gli studenti avranno anche appreso le dimensioni dei fenomeni e saranno in grado di utilizzare i siti web e le pubblicazioni di statistiche ufficiali per trovare dataset e dati economici rilevanti.

Programma

Costi e benefici dell'adesione a un'unione monetaria.
Unioni monetarie complete e incomplete.
Crisi del debito autoavverantisi.
Politica monetaria nell'EZ e la BCE.

  • La strategia della BCE e la sua revisione.
    Politica fiscale nell'EZ.
    Grande recessione, crisi del debito sovrano, pandemia del 2020 e la situazione economica negli anni post-pandemia:
  • Fatti
  • Strumenti fiscali
  • Politica monetaria convenzionale e non convenzionale
  • Questioni di stabilità finanziaria
    Il Green Deal europeo nell'economia post-pandemia

Gli studenti devono conoscere le basi dell'Economia, corrispondenti a quelle di un corso di istituzioni di economia o di macroeconomia e microeconomia di laurea triennale

Il metodo di insegnamento principale è la lezione frontale.
Tuttavia, gli studenti frequentanti saranno coinvolti in lavori di gruppo finalizzati all'approfondimento di argomenti specifici. Ogni gruppo dovrà preparare una presentazione, comprensiva di una sezione empirica, e presentarla in classe, dove sarà discussa.
La valutazione complessiva di questa parte si baserà sia sulla qualità della propria presentazione sia sulla partecipazione attiva alle presentazioni degli altri gruppi.
Gli studenti non frequentanti, non partecipando ai lavori di gruppo, dovranno preparare due articoli scientifici indicati dalla docente e rispondere a una domanda d'esame aggiuntiva riguardante gli articoli stessi.
Le slide e il materiale didattico rilevante (articoli e papers) saranno disponibili nella pagina e-learning del corso.

Modalità d'esame

70% basata su un esame scritto con domande a risposta aperta.
30% basata sulla presentazione del lavoro di gruppo e sulla partecipazione in classe durante le presentazioni.
Per gli studenti non frequentanti, così come coloro che non presenteranno il proprio lavoro in classe, la valutazione sarà interamente basata sull'esame a domande aperte. Per questo dovranno preparare due ulteriori articoli indicati dalla docente e rispondere ad una domanda aggiuntiva.

Codice insegnamento 9090_48011_13885

Final Dissertation 2° anno · 18 CFU · 0 file
Financial Instruments And Digital Finance 2° anno · 12 CFU · ECON-09/B · 0 file

Questo modulo del corso è dedicato all’analisi dei mercati in cui vengono negoziati i principali strumenti finanziari, ai fattori che determinano le caratteristiche di rischio e di rendimento degli stessi, sia…

Scheda dell'insegnamento

Obiettivi formativi

Questo modulo del corso è dedicato all’analisi dei mercati in cui vengono negoziati i principali strumenti finanziari, ai fattori che determinano le caratteristiche di rischio e di rendimento degli stessi, sia considerati individualmente sia all’interno di portafogli, e al ruolo svolto dalle principali istituzioni finanziarie.

Al termine del corso, gli studenti saranno in grado di:

[i] applicare concetti fondamentali relativi ai mercati e alle istituzioni finanziarie, tra cui flussi di fondi, tassi di interesse e differenziali di tasso, interpretandoli alla luce di eventi e tematiche contemporanee;
[ii] identificare, calcolare e analizzare misure appropriate di rischio e rendimento per una vasta gamma di strumenti finanziari;
[iii] comprendere la struttura, il funzionamento e il quadro regolamentare delle sedi di negoziazione dei titoli, nonché determinare il valore di azioni, obbligazioni e altri strumenti finanziari;
[iv] valutare gli effetti dell’informazione simmetrica e asimmetrica sulla configurazione e sul funzionamento del sistema finanziario;
[v] esaminare in modo critico le evidenze empiriche relative al comportamento dei mercati e confrontarle con le principali teorie finanziarie;
[vi] condurre analisi autonome su problematiche specifiche riguardanti i mercati e le istituzioni finanziarie;
[vii] illustrare la logica economica sottostante ai diversi strumenti e mercati finanziari, identificando altresì potenziali minacce alla stabilità finanziaria, anche attraverso lo studio di casi relativi a crisi del passato.

Il corso mira a fornire una panoramica approfondita di FinTech e Blockchain Finance, una nuova parte del settore finanziario che sta innovando radicalmente il modo in cui i servizi finanziari sono tradizionalmente costruiti e offerti. Gli studenti acquisiranno una comprensione delle principali tecnologie, dei partecipanti, della regolamentazione e delle dinamiche di cambiamento apportate dal FinTech nella finanza aziendale.
Gli obiettivi principali del corso sono fornire agli studenti: (1) la padronanza della finanza aziendale, comprese le teorie della struttura del capitale, il finanziamento tramite ventur capital, i business angels e le initial public offerings; (2) la comprensione delle applicazioni finanziarie della tecnologia digitale come il crowdfunding e le coin offerings; (3) la capacità di comprendere come la digitalizzazione altera il finanziamento delle imprese fornendo accesso disintermediato al finanziamento esterno (equity- e debt-based crowdfunding, peer-to-peer lending, invoice trading, utility e security coin offerings).

Programma

Di seguito una panoramica degli argomenti trattati nel corso:

Panoramica del sistema finanziario:
[i] comprensione della struttura, dei partecipanti e delle funzioni del sistema finanziario;
[ii] analisi delle interconnessioni tra i diversi mercati e istituzioni finanziarie.

Tassi di interesse:
[i] analisi dell’impatto dei tassi di interesse sulle decisioni di indebitamento, prestito e investimento;
[ii] discussione sulle politiche delle banche centrali e sulla loro influenza sui tassi di interesse.

Mercati monetari:
[i] studio degli strumenti di debito a breve termine e del loro ruolo nella gestione della liquidità;
[ii] analisi di strumenti tipici del mercato monetario, quali Buoni del Tesoro, commercial paper e certificati di deposito.

Mercati dei capitali:
[i] Mercato obbligazionario: analisi dei titoli a reddito fisso, inclusi titoli di Stato, obbligazioni societarie e municipali; comprensione delle curve dei rendimenti e del rischio di credito;
[ii] Mercato azionario: esame dei mercati azionari, delle borse valori e dei metodi di valutazione.

Istituzioni depositarie e istituzioni di risparmio contrattuale: analisi di banche, cooperative di credito e altre istituzioni depositarie.
Istituzioni dei mercati dei titoli e istituzioni di investimento: studio delle borse valori, delle società di intermediazione e delle banche d’investimento.
Fallimenti dei mercati finanziari, crisi e regolamentazione: analisi dei fallimenti di mercato, del rischio sistemico e delle crisi finanziarie; discussione dei quadri regolamentari e del loro impatto sulla stabilità finanziaria.

Gli argomenti principali del corso sono i seguenti:

  • Teorie sulla struttura di capitale, Venture Capital, Business Angels, Initial Public Offerings;
  • Finanza digitale: equity- e debt-based crowdfunding, peer-to-peer lending, invoice trading, utility e security coin offerings;
  • Initial Coin Offerings e meccanismi finanziari basati su Blockchain.

Buona conoscenza della matematica finanziaria, dell’econometria e della statistica.

No.

Le lezioni introducono la teoria di base, mentre le applicazioni empiriche tramite software econometrici consentono agli studenti di applicare le tecniche presentate e di verificare la loro comprensione del modo in cui e delle ragioni per cui specifiche strategie e un uso improprio degli strumenti finanziari possano condurre a instabilità finanziaria.

Il corso combina lezioni tradizionali con sessioni pratiche durante le quali gli studenti avranno la possibilità di familiarizzare con le tecniche presentate nelle lezioni. Inoltre, workshop e casi di studio permettono ai partecipanti di applicare le tecniche introdotte e di testare la loro comprensione della blockchain e del fintech.

Modalità d'esame

La valutazione finale (per studenti frequentanti e non frequentanti) sarà composta da: [i] una quota del 40% relativa a lavori applicativi riguardanti un insieme di tematiche predefinite legate ai mercati finanziari contemporanei; e [ii] una prova scritta pari al 60%, da sostenere al termine del semestre, comprendente sia esercizi sia domande a risposta aperta.

La verifica dell’apprendimento avverrà attraverso lavori di gruppo e una prova scritta finale.

Codice insegnamento 9090_48013_36323

Internship Official Statistics 2° anno · 6 CFU · 0 file
Neural Networks And Deep Learning 2° anno · 6 CFU · INFO-01/A · 0 file

Il corso prepara la studentessa e lo studente all'uso degli strumenti e delle tecniche fondamentali dell'intelligenza artificiale basata su reti neurali, con particolare attenzione alle reti neurali profonde e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso prepara la studentessa e lo studente all'uso degli strumenti e delle tecniche fondamentali dell'intelligenza artificiale basata su reti neurali, con particolare attenzione alle reti neurali profonde e all'apprendimento profondo (deep learning). Al termine del corso, si avrà familiarità con gli elementi fondamentali dell'apprendimento mediante reti neurali, con le tecniche e gli algoritmi adottati per il loro addestramento e con architetture di deep learning quali reti neurali convoluzionali e i moderni transformers.

Programma

  • Introduzione all'intelligenza artificiale e alla sua evoluzione storica
  • Elementi costitutivi di una rete neurale (neurone artificiale, funzioni di attivazione, loss function, ...)
  • Il percettrone di Rosenblatt e le reti a singolo neurone
  • Reti multistrato "shallow" e loro proprietà
  • Reti multistrato profonde e loro proprietà
  • Aspetti algoritmici dell'addestramento di reti neurali: discesa del gradiente e backpropagation
  • Reti neurali convoluzionali e reti neurali su grafo
  • Modelli generativi (GAN, encoder, reti neurali di diffusione)
  • Meccanismi di attenzione e transformers

Padronanza degli strumenti fondamentali dell'analisi matematica e conoscenza di base di un linguaggio di programmazione (preferibilmente Python).

Lezioni frontali con alcune attività guidate di scrittura di codice.

Modalità d'esame

La verifica dell’apprendimento avviene attraverso una prova finale scritta, composta da quesiti teorici e da esercizi da risolvere. A discrezione del docente, può essere prevista anche una prova orale finalizzata a confermare il voto conseguito nella prova scritta. Previo accordo con il docente, la prova scritta può essere sostituita da un’attività progettuale, con consegna di un elaborato finale e successiva discussione orale.

Codice insegnamento 9091_48015_36291

Public Policies For Sustainability And The Environment 2° anno · 6 CFU · ECON-03/A · 0 file

The course aims at analyzing the interactions that exist between economic systems and the environment, and to study both from a theoretical and an empirical perspective different approaches to public policy…

Scheda dell'insegnamento

Obiettivi formativi

The course aims at analyzing the interactions that exist between economic systems and the environment, and to study both from a theoretical and an empirical perspective different approaches to public policy interventions. Particular attention is devoted to the analysis of the role of government and its influence on the economy, and to the role of the public sector in the promotion of sustainable economic development. Typical tools of public policy will be presented, and their effectiveness will be discussed under different economic and environmental conditions. The final part of the course focuses on the empirical analysis of public policies for the environment and introduces methods for counterfactual policy evaluation.

Programma

  • An introduction to natural resource and environmental economics
  • The origins of the sustainability problem
  • Ethics, economics and the environment
  • Welfare economics and the environment
  • Pollution control: targets
  • Pollution control: instruments
  • Pollution policy with imperfect information
  • International environmental problems
  • Environmental cost-benefit analysis
  • Valuing the environment
  • Irreversibility, risk and uncertainty

None.

The course combines traditional lectures with empirical applications aimed at applying concepts previously introduced. Both traditional lectures and empirical sessions aim at fostering participation and class discussion. Collection of readings and case studies will be indicated during the course.

Modalità d'esame

The final evaluation consists of: - Applied assignment during the semester for those attending (40%) - Written exam at the end of the semester (60%) For those non-attending the course there will be the option to take the full written exam (100%).

The professor reserves the right to request an additional oral examination, after the written exam has taken place, if this is deemed necessary in order to verify the effective acquisition of the knowledge and skills set out in the course learning objectives and to ensure the correct attribution of the final assessment.

Codice insegnamento 9092_48024_26791

Statistics For Management 2° anno · 6 CFU · STAT-02/A · 0 file

Il corso fornisce le tecniche statistiche fondamentali che consentono agli studenti di acquisire familiarità con i metodi quantitativi più comunemente utilizzati in ambito gestionale. Sviluppa le capacità degli…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce le tecniche statistiche fondamentali che consentono agli studenti di acquisire familiarità con i metodi quantitativi più comunemente utilizzati in ambito gestionale. Sviluppa le capacità degli studenti di analizzare e prendere decisioni informate in contesti socioeconomici complessi e in evoluzione.
Il corso ha un approccio orientato alle applicazioni, con particolare attenzione all'interpretazione dei risultati. Gli studenti impareranno come applicare le tecniche a dati reali. Saranno presentati casi di studio. La capacità di elaborare, analizzare e modellare i dati viene appresa utilizzando uno dei software statistici più diffusi: Stata.

Programma

  • Ripasso di probabilità e statistica
  • Confronto delle medie tra due gruppi (test a due campioni)
  • Comprensione e misurazione della forza delle relazioni: correlazione semplice, multipla e parziale
  • Regressione lineare semplice per la modellazione di variabili aziendali
  • Regressione lineare multipla per la modellazione di variabili aziendali
  • Regressione lineare multipla per variabili dicotomiche (modello di probabilità lineare)
  • Introduzione alla gestione e all'analisi dei dati con Stata (analisi grafiche, test di ipotesi, regressione lineare)

Nessun prerequisito obbligatorio. Prerequisiti consigliati: conoscenza di base della statistica e padronanza della lingua inglese

Lezioni e sessioni pratiche in laboratorio.

Modalità d'esame

Test (in laboratorio) composto da domande teoriche, esercizi da risolvere a mano ed esercizi da risolvere con Stata.

Codice insegnamento 9091_48016_8895

Text Mining And Sentiment Analysis 2° anno · 6 CFU · STAT-02/A · 0 file

Il corso "Text mining e sentiment analysis", coerentemente con le competenze che il corso di studi intende far conseguire, fornisce agli studenti conoscenze relative all'uso di strumenti quantitativi e statistici…

Scheda dell'insegnamento

Obiettivi formativi

Il corso "Text mining e sentiment analysis", coerentemente con le competenze che il corso di studi intende far conseguire, fornisce agli studenti conoscenze relative all'uso di strumenti quantitativi e statistici economici necessari per svolgere un'analisi empirica rigorosa basata su dati non strutturati.
Al termine del corso, lo studente conosce i principali fondamenti teorici e gli elementi pratici per condurre correttamente analisi di dati testuali e ha un solido background sulle tecniche di estrazione di dati testuali. In particolare, durante il corso lo studente acquisisce:

  • dimestichezza con le diverse tipologie di sorgenti dati, con particolare riferimento ai big data e dati non strutturati;
  • capacità di estrarre dati da diverse fonti, quali social media o siti web;
  • capacità di convertire dati testuali non strutturati in dati numerici strutturati;
  • comprensione e capacità di implementare tecniche di natural language processing, quali la sentiment analysis e il topic modeling.
    I metodi verranno presentati utilizzando il software R.

Il corso è pienamente coerente con gli obiettivi formativi della label EMOS (European Master in Official Statistics) e del corso di laurea in Economics and Data Analysis.

Programma

Il corso offre un'ampia introduzione alle tecniche di analisi del testo e di elaborazione del linguaggio naturale. Particolare attenzione è dedicata alla qualità delle fonti di dati, in una prospettiva di total quality. Viene introdotto un esempio di quality framework per la qualità dei dati provenienti da social media.

Argomenti trattati:

  • Dati non strutturati e Big data: cosa sono, come utilizzarli; caratteristiche delle diverse fonti di dati; Big data e dati non strutturati come fonte per l'analisi economica in un contesto di fonti di dati integrate.
  • Lavorare con le stringhe: strumenti di base per gestire le stringhe di caratteri (ad esempio calcolo della lunghezza, riconoscimento di pattern, espressioni regolari)
  • Gestione dei dati testuali: elaborazione preliminare dei dati (pre-processing, tokenizzazione, stemming, lemmatizzazione e named entity recongnition)
  • Text mining: introduzione e diversi approcci; rappresentazione del documento; sintesi del documento.
  • Analisi del sentiment: progettazione e sviluppo di metodi per la classificazione del sentiment e il rilevamento della polarità. Approccio dictionary-based e machine learning. Visualizzazione del testo. Le differenze tra analisi del sentiment e rilevamento delle emozioni.
  • Topic modeling: identificazione della struttura di clustering di un corpus di documenti di testo e assegnazione dei documenti ai cluster identificati; Latent Dirichlet Allocation (LDA); Structural Topic Model (STM)
  • Utilizzo dei Large Language Models per l'elaborazione del linguaggio naturale
  • Come costruire indicatori socioeconomici utilizzando l'analisi del sentiment.
  • Estrazione dei dati dal web tramite web scraping e API
  • Errori.
  • Quality framework per i dati di Twitter.
  • Applicazioni empiriche.
    Il corso illustra diverse aree di applicazione di queste tecniche: economiche, sociali e aziendali.
  • Sessioni di laboratorio per applicazioni che utilizzano software statistico: R.

Nessuno

Lezioni e sessioni di laboratorio in cui gli studenti saranno stimolati con discussioni attive e partecipazione per la creazione del proprio caso di studio.

Casi individuali o progetti personali sviluppati dagli studenti secondo i temi proposti dal docente.

Modalità d'esame

La valutazione si baserà su:

  • Un esame finale scritto che comprende domande teoriche ed esercizi da risolvere con il software R.
  • Progetto relativo ad un caso studio, che consentirà agli studenti di ottenere un massimo di 3 punti extra sul voto dell'esame finale in base alla qualità del loro lavoro.

Codice insegnamento 9091_48021_14871

Thematic Activities Official Statistics 1 2° anno · 3 CFU · 0 file
Thematic Activities Official Statistics 2 2° anno · 3 CFU · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.